Gratulerer til vennene våre på @manusAI! Manus har bygget en av de mest forstyrrende agentene i 2025. Hvordan er agenten deres bygget annerledes? Vi holdt nylig en diskusjon med Manus-medgründer Yichao "Peak" Ji om deres kontekstutviklingstilnærming – inkludert strategier for å håndtere kontekstvinduer, optimalisere ytelse og bygge agenter som skalerer. Sjekk ut denne videoen + last ned lysbilder om hvordan Manus nærmer seg kontekstteknikk:

⚡ Bygge bedriftsagenter hos Coinbase med LangSmith ⚡ Coinbase gikk fra null til produksjons-AI-agenter på seks uker, og kuttet deretter fremtidig byggetid fra 12 uker til under en uke. Deres Enterprise AI Tiger Team bygde en "asfaltert vei" slik at ethvert team kunne sende agenter på samme måte som de sender kode. Hva som fikk dette til å fungere: → Code-first grafer med LangGraph og LangChain over low-code-verktøy. Typede grensesnitt og enhetstestbare noder slår prompt engineering for de bruksområdene de ønsket å skalere. → Observerbarhet som et krav. Hver verktøysamtale og beslutning blir sporet ved hjelp av LangSmith, vår agent engineering-plattform. → Reviderbarhet ved design. Uforanderlige opptegnelser over brukte data, begrunnelser som ble fulgt, og godkjenninger gitt. Resultat: To agenter i produksjon som sparer 25+ timer per uke. Fire til fullført. Et halvt dusin ingeniører betjener nå mønstrene selv. Agenter er en programvaredisiplin. Når du hoster dem riktig, gjør dem observerbare fra ende til ende, og tester hva som er deterministisk, får du fart der det hjelper og grundighet der det gjelder. Les mer:

🧠 Persistent minne med zkStash SDK Laget av LangChain-samfunnet zkStash er et TypeScript SDK for persistent minne i AI-agenter. Integreres med LangChain via MCP-verktøy eller mellomvare, og bruker Zod-skjemaer for strukturert lagring av preferanser og samtaler. 📚 Dokumenter: